\n<\/p>\n
Mantenerse al d\u00eda con una industria que evoluciona tan r\u00e1pidamente como la IA es una tarea dif\u00edcil. Entonces, hasta que una IA pueda hacerlo por usted, aqu\u00ed hay un resumen \u00fatil de historias recientes en el mundo del aprendizaje autom\u00e1tico, junto con investigaciones y experimentos notables que no cubrimos por s\u00ed solos.<\/p>\n
Por cierto, TechCrunch planea lanzar pronto un bolet\u00edn informativo sobre IA. Mant\u00e9nganse al tanto.<\/p>\n
Esta semana en AI, ocho destacados peri\u00f3dicos estadounidenses propiedad del gigante inversor Alden Global Capital, incluidos el New York Daily News, Chicago Tribune y Orlando Sentinel, demandaron a OpenAI y Microsoft por infracci\u00f3n de derechos de autor relacionada con el uso de tecnolog\u00eda de IA generativa por parte de las empresas. Ellos, como The New York Times en su demanda en curso contra OpenAI, acusan a OpenAI y Microsoft de extraer su propiedad intelectual sin permiso ni compensaci\u00f3n para construir y comercializar modelos generativos como GPT-4.<\/p>\n
\u00abHemos gastado miles de millones de d\u00f3lares recopilando informaci\u00f3n y reportando noticias en nuestras publicaciones, y no podemos permitir que OpenAI y Microsoft ampl\u00eden el manual de las grandes tecnolog\u00edas de robar nuestro trabajo para construir sus propios negocios a nuestra costa\u00bb, dijo Frank Pine, el dijo en un comunicado el editor ejecutivo que supervisa los peri\u00f3dicos de Alden.<\/p>\n
Parece probable que la demanda termine en un acuerdo y un acuerdo de licencia, dadas las asociaciones existentes de OpenAI con los editores y su renuencia a basar todo su modelo de negocio en el argumento del uso justo. Pero \u00bfqu\u00e9 pasa con el resto de creadores de contenido cuyos trabajos est\u00e1n siendo incluidos en una formaci\u00f3n modelo sin pago?<\/p>\n
Parece que OpenAI est\u00e1 pensando en eso.<\/p>\n
Un art\u00edculo de investigaci\u00f3n publicado recientemente y del que es coautor Boaz Barak, cient\u00edfico del equipo Superalignment de OpenAI, propone un marco para compensar a los propietarios de derechos de autor \u00abproporcionalmente a sus contribuciones a la creaci\u00f3n de contenido generado por IA\u00bb. \u00bfC\u00f3mo? A trav\u00e9s de la teor\u00eda de juegos cooperativos.<\/p>\n
El marco eval\u00faa hasta qu\u00e9 punto el contenido de un conjunto de datos de entrenamiento (por ejemplo, texto, im\u00e1genes u otros datos) influye en lo que genera un modelo, empleando un concepto de teor\u00eda de juegos conocido como valor de Shapley. Luego, bas\u00e1ndose en esa evaluaci\u00f3n, determina la \u201cparticipaci\u00f3n que les corresponde\u201d a los propietarios del contenido (es decir, la compensaci\u00f3n).<\/p>\n
Supongamos que tiene un modelo de generaci\u00f3n de im\u00e1genes entrenado utilizando obras de arte de cuatro artistas: John, Jacob, Jack y Jebediah. Le pides que dibuje una flor al estilo de Jack. Con el marco se puede determinar la influencia que tuvieron las obras de cada artista en el arte que genera el modelo y, por tanto, la compensaci\u00f3n que cada uno deber\u00eda recibir.<\/p>\n
Sin embargo, el marco tiene una desventaja: es computacionalmente costoso. Las soluciones alternativas de los investigadores se basan en estimaciones de compensaci\u00f3n m\u00e1s que en c\u00e1lculos exactos. \u00bfEso satisfar\u00eda a los creadores de contenido? No estoy muy seguro. Si alg\u00fan d\u00eda OpenAI lo pone en pr\u00e1ctica, seguro que lo descubriremos.<\/p>\n
Aqu\u00ed hay algunas otras historias destacadas de IA de los \u00faltimos d\u00edas:<\/p>\n
Cr\u00e9ditos de imagen:<\/strong> Departamento de Energ\u00eda de EE. UU.<\/p>\n<\/div>\n Parece que hubo una gran fiesta en el Laboratorio Nacional Argonne este invierno cuando trajeron a un centenar de expertos en inteligencia artificial y en el sector energ\u00e9tico para hablar sobre c\u00f3mo la tecnolog\u00eda en r\u00e1pida evoluci\u00f3n podr\u00eda ser \u00fatil para la infraestructura y la investigaci\u00f3n y desarrollo del pa\u00eds en esa \u00e1rea. El informe resultante es m\u00e1s o menos lo que se esperar\u00eda de esa multitud: mucho pastel en el cielo, pero informativo de todos modos.<\/p>\n Al analizar la energ\u00eda nuclear, la red, la gesti\u00f3n del carbono, el almacenamiento de energ\u00eda y los materiales, los temas que surgieron de esta reuni\u00f3n fueron, primero, que los investigadores necesitan acceso a herramientas y recursos inform\u00e1ticos de alta potencia; segundo, aprender a detectar los puntos d\u00e9biles de las simulaciones y predicciones (incluidos los permitidos por lo primero); tercero, la necesidad de herramientas de inteligencia artificial que puedan integrar y hacer accesibles datos de m\u00faltiples fuentes y en muchos formatos. Hemos visto que todas estas cosas suceden en la industria de varias maneras, por lo que no es una gran sorpresa, pero no se hace nada a nivel federal sin que algunos expertos publiquen un documento, por lo que es bueno tenerlo en acta.<\/p>\n Georgia Tech y Meta est\u00e1n trabajando en parte de eso con una gran base de datos nueva llamada OpenDAC, un mont\u00f3n de reacciones, materiales y c\u00e1lculos destinados a ayudar a los cient\u00edficos que dise\u00f1an procesos de captura de carbono para hacerlo m\u00e1s f\u00e1cilmente. Se centra en estructuras organomet\u00e1licas, un tipo de material prometedor y popular para la captura de carbono, pero con miles de variaciones, que no se han probado exhaustivamente.<\/p>\n El equipo de Georgia Tech se reuni\u00f3 con Oak Ridge National Lab y Meta’s FAIR para simular interacciones de qu\u00edmica cu\u00e1ntica en estos materiales, utilizando unos 400 millones de horas de computaci\u00f3n, mucho m\u00e1s de lo que una universidad puede reunir f\u00e1cilmente. Esperemos que sea \u00fatil para los investigadores del clima que trabajan en este campo. Est\u00e1 todo documentado aqu\u00ed.<\/p>\n Escuchamos mucho sobre las aplicaciones de IA en el campo m\u00e9dico, aunque la mayor\u00eda desempe\u00f1an lo que se podr\u00eda llamar una funci\u00f3n de asesoramiento, ayudando a los expertos a notar cosas que de otro modo no habr\u00edan visto o detectando patrones que a un t\u00e9cnico le habr\u00eda tomado horas encontrar. Esto se debe en parte a que estos modelos de aprendizaje autom\u00e1tico simplemente encuentran conexiones entre estad\u00edsticas sin comprender qu\u00e9 caus\u00f3 o condujo a qu\u00e9. Los investigadores de Cambridge y Ludwig-Maximilians-Universit\u00e4t M\u00fcnchen est\u00e1n trabajando en eso, ya que superar las relaciones correlativas b\u00e1sicas podr\u00eda ser de gran ayuda a la hora de crear planes de tratamiento.<\/p>\n El trabajo, dirigido por el profesor Stefan Feuerriegel de la LMU, tiene como objetivo crear modelos que puedan identificar mecanismos causales, no s\u00f3lo correlaciones: \u201cLe damos a la m\u00e1quina reglas para reconocer la estructura causal y formalizar correctamente el problema. Luego la m\u00e1quina tiene que aprender a reconocer los efectos de las intervenciones y comprender, por as\u00ed decirlo, c\u00f3mo las consecuencias de la vida real se reflejan en los datos que se han introducido en las computadoras\u201d, afirm\u00f3. Todav\u00eda es temprano para ellos y son conscientes de ello, pero creen que su trabajo es parte de un importante per\u00edodo de desarrollo a escala de una d\u00e9cada.<\/p>\n En la Universidad de Pensilvania, la estudiante de posgrado Ro Encarnaci\u00f3n est\u00e1 trabajando en un nuevo \u00e1ngulo en el campo de la \u201cjusticia algor\u00edtmica\u201d en el que hemos sido pioneros (principalmente por mujeres y personas de color) en los \u00faltimos siete u ocho a\u00f1os. Su trabajo se centra m\u00e1s en los usuarios que en las plataformas y documenta lo que ella llama \u00abauditor\u00eda emergente\u00bb.<\/p>\n Cuando Tiktok o Instagram lanzan un filtro un poco racista o un generador de im\u00e1genes que hace algo sorprendente, \u00bfqu\u00e9 hacen los usuarios? Se quejan, claro, pero tambi\u00e9n contin\u00faan us\u00e1ndolo y aprenden a eludir o incluso exacerbar los problemas codificados en \u00e9l. Puede que no sea una \u201csoluci\u00f3n\u201d tal como la vemos, pero demuestra la diversidad y resiliencia del lado usuario de la ecuaci\u00f3n: no son tan fr\u00e1giles ni pasivos como podr\u00eda pensarse.<\/p>\n<\/p><\/div>\n